在机器学习领域,核方法是解决非线性模式识别问题的一种有效手段.目前,用多核学习方法代替传统的单核学习已经成为一个新的研究热点,它在处理异构、不规则和分布不平坦的样本数据情况下,表现出了更好的灵活性、可解释性以及更优异的泛...在机器学习领域,核方法是解决非线性模式识别问题的一种有效手段.目前,用多核学习方法代替传统的单核学习已经成为一个新的研究热点,它在处理异构、不规则和分布不平坦的样本数据情况下,表现出了更好的灵活性、可解释性以及更优异的泛化性能.结合有监督学习中的多核学习方法,提出了基于Lp范数约束的多核半监督支持向量机(semi-supervised support vector machine,简称S3VM)的优化模型.该模型的待优化参数包括高维空间的决策函数fm和核组合权系数m.同时,该模型继承了单核半监督支持向量机的非凸非平滑特性.采用双层优化过程来优化这两组参数,并采用改进的拟牛顿法和基于成对标签交换的局部搜索算法分别解决模型关于fm的非平滑及非凸问题,以得到模型近似最优解.在多核框架中同时加入基本核和流形核,以充分利用数据的几何性质.实验结果验证了算法的有效性及较好的泛化性能.展开更多
使用点核积分方法计算6711型^(125)I籽粒源参数,根据美国医学物理学家协会(American Association of Physicists in Medicine,AAPM)TG-43U1号报告推荐的剂量参数计算公式,可以获得6711型^(125)I籽粒源各参数。与AAPM TG-43U1推荐值比较...使用点核积分方法计算6711型^(125)I籽粒源参数,根据美国医学物理学家协会(American Association of Physicists in Medicine,AAPM)TG-43U1号报告推荐的剂量参数计算公式,可以获得6711型^(125)I籽粒源各参数。与AAPM TG-43U1推荐值比较,剂量常数相差6.76%,径向剂量函数值(不包括0.1 cm、0.15 cm、0.25 cm)最大相差2.27%,最小相差0.02%;与MCNP5(A General N-Particle Transport Code,Version 5)方法计算结果比较,剂量常数相差6.19%,径向剂量函数值(不包括0.1 cm、0.15 cm、0.25 cm)最大相差6.65%,最小相差0.06%。结果与推荐值符合较好,证明点核积分能够应用于籽粒源剂量参数计算。展开更多
文摘在机器学习领域,核方法是解决非线性模式识别问题的一种有效手段.目前,用多核学习方法代替传统的单核学习已经成为一个新的研究热点,它在处理异构、不规则和分布不平坦的样本数据情况下,表现出了更好的灵活性、可解释性以及更优异的泛化性能.结合有监督学习中的多核学习方法,提出了基于Lp范数约束的多核半监督支持向量机(semi-supervised support vector machine,简称S3VM)的优化模型.该模型的待优化参数包括高维空间的决策函数fm和核组合权系数m.同时,该模型继承了单核半监督支持向量机的非凸非平滑特性.采用双层优化过程来优化这两组参数,并采用改进的拟牛顿法和基于成对标签交换的局部搜索算法分别解决模型关于fm的非平滑及非凸问题,以得到模型近似最优解.在多核框架中同时加入基本核和流形核,以充分利用数据的几何性质.实验结果验证了算法的有效性及较好的泛化性能.
文摘使用点核积分方法计算6711型^(125)I籽粒源参数,根据美国医学物理学家协会(American Association of Physicists in Medicine,AAPM)TG-43U1号报告推荐的剂量参数计算公式,可以获得6711型^(125)I籽粒源各参数。与AAPM TG-43U1推荐值比较,剂量常数相差6.76%,径向剂量函数值(不包括0.1 cm、0.15 cm、0.25 cm)最大相差2.27%,最小相差0.02%;与MCNP5(A General N-Particle Transport Code,Version 5)方法计算结果比较,剂量常数相差6.19%,径向剂量函数值(不包括0.1 cm、0.15 cm、0.25 cm)最大相差6.65%,最小相差0.06%。结果与推荐值符合较好,证明点核积分能够应用于籽粒源剂量参数计算。
